| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 研究背景以及意义 | 第16页 |
| 1.1.1 深度学习的研究背景以及意义 | 第16页 |
| 1.1.2 深度信念网络的研究背景以及意义 | 第16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 深度学习的研究现状 | 第16-18页 |
| 1.2.2 深度信念网络及受限玻尔兹曼机的研究现状 | 第18-19页 |
| 1.3 论文内容与安排 | 第19-20页 |
| 第二章 基于多目标优化的稀疏受限玻尔兹曼机学习算法 | 第20-42页 |
| 2.1 引言 | 第20页 |
| 2.2 相关理论背景 | 第20-29页 |
| 2.2.1 受限玻尔兹曼机模型简介 | 第20-24页 |
| 2.2.2 RBM训练算法简介 | 第24页 |
| 2.2.3 （常见的）稀疏受限玻尔兹曼机训练算法 | 第24-26页 |
| 2.2.4 深度信念网络模型简介 | 第26-27页 |
| 2.2.5 多目标优化问题简介 | 第27-29页 |
| 2.3 基于多目标优化的稀疏受限玻尔兹曼机学习算法 | 第29-34页 |
| 2.3.1 基于多目标优化的稀疏RBM训练算法介绍 | 第29-30页 |
| 2.3.2 SA-QMOEA/D算法 | 第30-34页 |
| 2.4 基于多目标优化的稀疏深度信念网络 | 第34-35页 |
| 2.5 实验结果与分析 | 第35-41页 |
| 2.5.1 实验数据集 | 第35页 |
| 2.5.2 参数的设置 | 第35-36页 |
| 2.5.3 实验结果与分析 | 第36-41页 |
| 2.6 本章小结 | 第41-42页 |
| 第三章 基于GPU的并行稀疏深度信念网络学习算法 | 第42-56页 |
| 3.1 引言 | 第42页 |
| 3.2 相关理论背景 | 第42-46页 |
| 3.2.1 GPU编程模型简介 | 第42-46页 |
| 3.3 基于GPU的并行稀疏深度信念网络学习算法 | 第46-49页 |
| 3.3.1 并行稀疏RBM学习算法介绍 | 第46-48页 |
| 3.3.2 并行SA-QMOEAD算法 | 第48-49页 |
| 3.3.3 基于CUDA的并行SDBN学习算法 | 第49页 |
| 3.4 实验结果与分析 | 第49-55页 |
| 3.4.1 实验数据集 | 第49页 |
| 3.4.2 参数的设置 | 第49-50页 |
| 3.4.3 实验结果与分析 | 第50-55页 |
| 3.5 本章小结 | 第55-56页 |
| 第四章 基于并行稀疏深度信念网络的人脸表情识别 | 第56-66页 |
| 4.1 引言 | 第56页 |
| 4.2 相关理论背景 | 第56-58页 |
| 4.2.1 传统的表情识别方法 | 第56-57页 |
| 4.2.2 基于深度学习的表情识别方法 | 第57-58页 |
| 4.3 基于并行SDBN的表情识别算法 | 第58-60页 |
| 4.4 实验结果与分析 | 第60-64页 |
| 4.4.1 参数的设置 | 第60页 |
| 4.4.2 实验结果与分析 | 第60-64页 |
| 4.5 本章小结 | 第64-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 全文总结 | 第66-67页 |
| 5.2 工作展望 | 第67-68页 |
| 参考文献 | 第68-76页 |
| 致谢 | 第76-78页 |
| 作者简介 | 第78-80页 |
